CN111858801A - 道路信息的挖掘方法、装置、电子设备及存储介质 - Google Patents
道路信息的挖掘方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111858801A CN111858801A CN202010618473.3A CN202010618473A CN111858801A CN 111858801 A CN111858801 A CN 111858801A CN 202010618473 A CN202010618473 A CN 202010618473A CN 111858801 A CN111858801 A CN 111858801A
- Authority
- CN
- China
- Prior art keywords
- road
- information
- parameter
- track
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005065 mining Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000000203 mixture Substances 0.000 claims abstract description 16
- 238000009412 basement excavation Methods 0.000 claims abstract description 3
- 230000015654 memory Effects 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000925 erythroid effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种道路信息的挖掘方法、装置、电子设备及存储介质,涉及智能交通技术领域。具体实现方案为:采集起始点相同的数条历史轨迹;挖掘各所述历史轨迹中各轨迹点相对于所在路段起点的坐标信息;基于所述数条历史轨迹中的各所述轨迹点相对于所在的所述路段起点的坐标信息,采用高斯混合模型预测所述起始点之间的道路的车道数。与现有技术相比,不用投入大量人力、物力实现道路信息的挖掘,可以有效地节省道路信息的挖掘成本。而且,本申请的道路信息的挖掘方案不用人为参与,能够有效地提高道路信息挖掘的准确性和挖掘效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及智能交通技术领域,具体涉及一种道路信息的挖掘方法、装置、电子设备及存储介质。
背景技术
在路网中,道路信息如道路的宽度信息以及车道数等信息,可以帮助用户做很多事情,例如:服务用户导航体验,在复杂路网下将用户匹配到正确道路,以及帮用户进行道路通行能力预测如是否容易堵车等。
现有技术中,道路信息如道路宽度和/或车道数信息,主要是通过采集车或采集员,通过视频采集的结果,进行绘制或修改。也可以通过车载行车记录仪的信息,进行绘制或修改,实现道路信息采集。
但是,现有的道路信息的采集成本极高,人力、物力投入大。
发明内容
为了解决上述技术问题,本申请提供了一种道路信息的挖掘方法、装置、电子设备及存储介质。
根据本申请的一方面,提供了一种道路信息的挖掘方法,其中,所述方法包括:
采集起始点相同的数条历史轨迹;
挖掘各所述历史轨迹中各轨迹点相对于所在路段起点的坐标信息;
基于所述数条历史轨迹中的各所述轨迹点相对于所在的所述路段起点的坐标信息,采用高斯混合模型预测所述起始点之间的道路的车道数。
根据本申请的另一方面,提供了一种道路信息的挖掘装置,其中,所述装置包括:
采集模块,用于采集起始点相同的数条历史轨迹;
挖掘模块,用于挖掘各所述历史轨迹中各轨迹点相对于所在路段起点的坐标信息;
预测模块,用于基于所述数条历史轨迹中的各所述轨迹点相对于所在的所述路段起点的坐标信息,采用高斯混合模型预测所述起始点之间的道路的车道数。
根据本申请的再一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据本申请的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本申请的技术,不用投入大量人力、物力实现道路信息的挖掘,可以有效地节省道路信息的挖掘成本。而且,本申请的道路信息的挖掘方案不用人为参与,能够有效地提高道路信息挖掘的准确性和挖掘效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3为本实施例提供的一条历史轨迹示意图;
图4是图3中linkB中的轨迹点的示意图;
图5是根据本申请第三实施例的示意图;
图6是根据本申请第四实施例的示意图;
图7是用来实现本申请实施例的道路信息的挖掘方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请第一实施例的示意图;如图1所示,本实施例提供一种道路信息的挖掘方法,具体可以包括如下步骤:
S101、采集起始点相同的数条历史轨迹;
S102、挖掘各历史轨迹中各轨迹点相对于所在路段起点的坐标信息;
S103、基于数条历史轨迹中的各轨迹点相对于所在的路段起点的坐标信息,采用高斯混合(Gaussian Mixture Model;GMM)模型预测起始点之间的道路的车道数。
本实施例的道路信息的挖掘方法的执行主体可以为道路信息的挖掘装置,该装置可以为一实体的电子设备,或者也可以为采用软件集成的应用,使用时运行在计算机设备上,通过采集数条起始点相同的历史轨迹,并挖掘各历史轨迹中各轨迹点相对于所在路段起点的坐标信息,并借助于GMM模型,实现起始点之间的道路的车道数的预测。
为了减少GMM模型计算的复杂度,便于后续车道数量的准确预测,本实施例中,可以挖掘各历史轨迹中各轨迹点相对于所在路段(link)起点的坐标信息。具体地,对于每条历史轨迹,可以由多段link分段构成,可以先将该历史轨迹按照link分段,对于每一段link中的各轨迹点,可以获取该轨迹点相对于所在link起点的坐标信息。也就是说,将每一link的起点作为一个坐标原点,该link上的所有轨迹点可以基于该坐标原点来表示。
本实施例的GMM模型指的是多个高斯分布函数的线性组合,理论上GMM可以拟合出任意类型的分布,通常用于解决同一集合下的数据包含多个不同的分布的情况。本实施例中可以采用最大期望(Expectation-Maximization;EM)算法估计GMM模型的参数,详细可以参考相关现有技术,在此不再赘述。
本实施例中,通过步骤S101和S102,可以采集到数条历史轨迹中的大量的轨迹点,且能获取到各轨迹点相对于所在的路段link起点的坐标信息。然后将获取到的各轨迹点的坐标信息输入至GMM模型中,通过拟合,来预测一个最合理的GMM模型的模型超参数K,作为预测的道路的车道数。
需要说明的是,若起始点在一个link上,则本实施例可以预测该起始点之间的道路的车道数。若起始点之间的道路包括多段link的时候,按照本实施例的方式,可以预测起始点之间的道路中的每一段link的车道数。
本实施例的道路信息的挖掘方法,通过采集数条起始点相同的历史轨迹;挖掘各历史轨迹中各轨迹点相对于所在路段起点的坐标信息;基于数条历史轨迹中的各轨迹点相对于所在的路段起点的坐标信息,采用GMM模型预测起始点之间的道路的车道数,与现有技术相比,不用投入大量人力、物力实现道路信息的挖掘,可以有效地节省道路信息的挖掘成本。而且,本实施例的道路信息的挖掘方案不用人为参与,能够有效地提高道路信息挖掘的准确性和挖掘效率。
图2是根据本申请第二实施例的示意图;如图2所示,本实施例的道路信息的挖掘方法,在上述图1所示实施例的技术方案的基础上,进一步更加详细地描述本申请的技术方案。如图2所示,本实施例的道路信息的挖掘方法,具体可以包括如下步骤:
S201、采集起始点的预设的历史时间段内的所有历史轨迹;
例如设置一个起点A和终点B,并从历史轨迹信息库中获取预设的历史时间段内起点A到终点B的所有历史轨迹。
S202、对所有历史轨迹进行清洗处理,得到数条历史轨迹;
本实施例的步骤S201和步骤S202为上述图1所示实施例的步骤S101的一种实现方式。
由于历史轨迹的数量较多,本实施例在采集时,可以先采集预设的历史时间段内的所有历史轨迹。然后,对采集到的所有历史轨迹进行清洗处理,得到数条历史轨迹。考虑到车辆的历史轨迹对道路信息的挖掘的贡献最大,本实施例中,清洗处理时,可以去除所有的非车行的轨迹,如步行、骑行、地铁、行人等轨迹在此处均需要清洗过滤掉。同时,可选地,在清洗处理时,还需要去除明显不能反映道路特征的低质轨迹。如地下车库内的历史轨迹,以及存在显著的漂移点的历史轨迹。这样,可以保证得到的数条历史轨迹均为高质量的车辆行驶的历史轨迹,进而可以有效地提高道路信息的挖掘的准确性。
S203、对于各历史轨迹,将历史轨迹按照路网中的路段进行切分,使得历史轨迹被切分为多个路段;
S204、获取各路段中的各轨迹点相对于所在的路段起点的坐标信息;
路网中的路段link是预先配置的,对于每一条历史轨迹,可以按照路网中的link进行切分,使得一条历史轨迹被切分成多段串接的link。
本实施例中,在每段link中,该link中的轨迹点的坐标信息都以该link的起点为坐标原点来表示。例如可以选取link的前进方向为y轴,y轴的最大值即为该link的长度,这样该link上各轨迹点的坐标y的值始终为正值,轨迹点的y轴的坐标信息可以采用dist_to_snode来表示。而与y轴垂直的方向可以作为x轴。基于各轨迹点相对于y轴的方向,可以确定各轨迹点的x轴的正负;各轨迹点到y轴的投影的距离,可以确定各轨迹点的x值的大小,轨迹点的x轴的坐标信息可以采用dist_to_line来表示。令位于y轴左侧为负值,位于y轴右侧为正值,dist_to_line的取值范围是负无穷到正无穷。基于此,可以确定各轨迹点相对于所在link起点的坐标信息。
本实施例的步骤S202和步骤S204为上述图1所示实施例的步骤S102的一种实现方式。
例如,图3为本实施例提供的一条历史轨迹示意图。图4是图3中linkB中的轨迹点的示意图。本实施例中以图3和图4为例,解释步骤S203和步骤S204的具体实现过程,如图3所示,按照步骤S203的方式,可以将该历史轨迹切分为linkA、linkB和linkC三段串接的link。
图4中以linkB为例,获取其各轨迹点的坐标信息,例如,可以将linkB的起点即与linkA的尾点相连接的点,作为坐标原点,以linkB的前进方向为y轴正向,垂直y轴方向为x轴。如图4所示,linkB中的轨迹点的4、5、6的坐标信息分别可以表示为(-4、5)、(2,16)、(-3,28)。按照上述方式,可以将非常多的linkB上面的轨迹点混在一起,就会形成关于linkB的分布。
对于每一条历史轨迹,按照上述方式,可以获取到其包括的各路段中的各轨迹点相对于所在的路段起点的坐标信息。这样可以减少后续GMM模型计算的复杂度,便于后续车道数量的准确预测,
S205、基于数条历史轨迹中的各轨迹点相对于所在的路段起点的坐标信息,采用GMM模型拟合出多个模型超参数K;
本实施例中采集的数条历史轨迹中包括的轨迹点的数量可以达到数十万及以上,将这些大量的轨迹点的坐标信息输入至GMM模型中,该GMM模型可以拟合处多个模型超参数K,如K可以等于1、2、3等等数值。本实施例中GMM模型拟合出的模型超参数K便是要预测的起始点之间道路的车道数。
S206、计算各模型超参数K对应的赤池信息准则(Akaike InformationCriterion;AIC)的值;
S207、从多个模型超参数K中,获取AIC的值最小所对应的模型超参数K,作为目标模型超参数;
由于要预测的道路的车道数仅仅有一个,而GMM模型可以拟合出多个模型超参数K,即道路车道数。此时,需要基于AIC的方式从多个模型超参数K中选择一个最合理的模型超参数。
AIC是衡量统计模型拟合优良性的一种标准,它建立在熵的概念上,提供了权衡估计模型复杂度和拟合数据优良性的标准。本实施例中,可以计算GMM模型拟合出的各个模型超参数K对应的AIC的值,从中选择最小的AIC的值对应的模型超参数K,作为要选择的目标模型超参数。
S208、检测目标模型超参数是否在预设的车道阈值范围内,若是,执行步骤S209;否则执行步骤S210;
本实施例中预设的车道阈值范围可以基于实际经验来设置,例如可以为大于或者等于1,小于或者等于4、8、10等其他数值。例如,在对某个区域的车道信息预测的时候,可以预先采集该区域中的预设的车道阈值范围。
可选地,也可以删除该步骤。但是通过增加该步骤的判断,可以进一步提高预测的道路的车道数的准确性。
S209、将目标模型超参数,作为预测的起始点之间的道路的车道数;执行步骤S214;
本实施例中,若AIC最小的值对应的目标模型超参数在预设的车道阈值范围内,此时便可以确定该目标模型超参数即为要预测的道路的车道数。
S210、计算各模型超参数对应的贝叶斯信息准则(Bayesian InformationCriterion;BIC)的值;
S211、从多个模型超参数中,获取BIC的值最小所对应的模型超参数K,作为目标模型超参数;
S212、检测目标模型超参数是否在预设的车道阈值范围内,若是,执行步骤S213;否则,未预测到合理的道路的车道数,结束。
S213、将目标模型超参数,作为预测的起始点之间的道路的车道数;执行步骤S214;
在一具体实施例中,若AIC最小的值对应的目标模型超参数不在预设的车道阈值范围内,此时需要采用BIC的方式预测道路的车道数。基于BIC的实现方式与基于AIC的实现方式相似,详细可以参考上述AIC的实现方式,在此不再赘述。
本实施例的BIC与AIC相似,用于模型选择。训练模型时,增加参数数量,也就是增加模型复杂度,会增大似然函数,但是也会导致过拟合现象,针对该问题,AIC和BIC均引入了与模型参数个数相关的惩罚项,BIC的惩罚项比AIC的大,考虑了样本数量,样本数量过多时,可有效防止模型精度过高造成的模型复杂度过高。
同理,若起始点在一个link上,则本实施例可以预测该起始点之间的道路的车道数。若起始点之间的道路包括多段link的时候,按照本实施例的方式,可以预测起始点之间的道路中的每一段link的车道数。
S214、获取GMM的目标模型超参数对应的其他参数信息;
基于上述确定的目标模型的超参数K、上述步骤S204得到的数条历史轨迹中的各轨迹点相对于所在的路段起点的坐标信息,GMM模型可以训练出该目标模型的超参数K个峰的每一个的μ、σ和α,其中μ是每个峰的均值,σ是每个峰相对于整体的标准差,α是每个峰的占比。
S215、采用其他参数信息,预测起始点之间的道路的宽度信息和/或偏移信息。
例如,采用上述获取到的K个峰的每一个的μ、σ和α,可以预测道路中的link的宽度信息和偏移信息,例如,具体可以通过如下公式来实现:
distleft=min(μi-2·σi)
distright=max(μi+2·σi)
width=distright-distleft
distall=∑αi·μi
distall是整条link的偏移信息,如果有的link基线就已经画歪了,可以通过这个参数显示出来。基于link的偏移信息,可以对路网中的link进行调整。distleft为道路中的link的左边界信息,distright为道路中的link的右边界信息,width是预测的道路中的link的宽度信息。
同理,按照本实施例的方式,若起始点在一个link上,则可以预测该起始点之间的道路的宽度信息和道路的偏移信息。若起始点之间的道路包括多段link的时候,按照本实施例的方式,可以预测起始点之间的道路中的每一段link的宽度信息和道路的偏移信息。例如,可以基于预测的每一段link的目标模型的超参数K,并结合该link上各轨迹点相对于所在的link起点的坐标信息,GMM模型可以训练出该目标模型的超参数K个峰的每一个的μ、σ和α,进而可以基于K个峰的每一个的μ、σ和α,预测该link的宽度信息和偏移信息;进而可以实现起始点之间的道路中的每一段link的宽度信息和偏移信息的获取。而且link的起点和终点的宽度不一样时,也可以分别计算起点的宽度信息和终点的宽度信息。
另外,需要说明的是,进行道路宽度预计的时候,可以将每一条link再次细分为若干个形状点(ref_point),这些形状点可以认为是计算的最小度量。而且link内部不一定完全是直的,计算时可以将一条link划分为两条细粒度link。在计算宽度的时候,可以分别计算前一段和后一段的宽度。这么做是因为很多道路,起点和终点的宽度不一定一样。
需要说明的是,在一具体实施例中,可以算出两个版本,分别是重准确率版本和重召回版本。重准确率版本只选取高置信轨迹参与计算,计算出道路的真实宽度,这部分可以用来修正路网错误、改良用户导航体验。重召回率版本采用全量轨迹进行计算,算出道路的“轨迹分布宽度”,这个轨迹分布宽度可以辅助在地图匹配领域取得效果。
本实施例的道路信息的挖掘方法,通过采用上述技术方案,不仅可以挖掘起始点之间的道路的车道数,还可以进一步基于挖掘的起始点之间的道路的车道数,挖掘道路的宽度信息和偏移信息,进一步丰富挖掘的道路的信息。而且挖掘过程也是基于GMM模型来实现的,能够有效地保证挖掘的路的宽度信息和偏移信息的准确性。进一步地,本实施例的技术方案,可以基于AIC和BIC的方式,挖掘最合理的模型超参数,能够有效地保证预测的道路的车道数的准确性。
图5是根据本申请第三实施例的示意图;如图5所示,本实施例提供一种道路信息的挖掘装置500,包括:
采集模块501,用于采集起始点相同的数条历史轨迹;
挖掘模块502,用于挖掘各历史轨迹中各轨迹点相对于所在路段起点的坐标信息;
预测模块503,用于基于数条历史轨迹中的各轨迹点相对于所在的路段起点的坐标信息,采用高斯混合模型预测起始点之间的道路的车道数。
本实施例的道路信息的挖掘装置500,通过采用上述模块实现道路信息的挖掘的实现原理以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
图6是根据本申请第四实施例的示意图;如图6所示,本实施例的道路信息的挖掘装置500,在上述图5所示实施例的技术方案的基础上,进一步更加详细地描述本申请的技术方案。
如图6所示,本实施例的道路信息的挖掘装置500中,挖掘模块502,包括:
切分单元5021,用于对于各历史轨迹,将历史轨迹按照路网中的路段进行切分,使得历史轨迹被切分为多个路段;
获取单元5022,用于获取各路段中的各轨迹点相对于所在的路段起点的坐标信息。
进一步可选地,如图6所示,本实施例的道路信息的挖掘装置500中,预测模块503,包括:
拟合单元5031,用于基于数条历史轨迹中的各轨迹点相对于所在的路段起点的坐标信息,采用高斯混合模型拟合出多个模型超参数;
计算单元5032,用于计算各模型超参数对应的赤池信息准则的值;
筛选单元5033,用于从多个模型超参数中,获取赤池信息准则的值最小所对应的模型超参数,作为目标模型超参数;
设置单元5034,用于将目标模型超参数,作为预测的起始点之间的道路的车道数。
进一步可选地,预测模块503中,还包括:
检测单元5035,用于检测并确定目标模型超参数在预设的车道阈值范围内。
进一步可选地,计算单元5032,还用于若目标模型超参数不预设的车道阈值范围内,计算各模型超参数对应的贝叶斯信息准则的值;
筛选单元5033,还用于从多个模型超参数中,获取贝叶斯信息准则的值最小所对应的模型超参数,作为目标模型超参数;
设置单元5034,还用于将目标模型超参数,作为预测的起始点之间的道路的车道数。
进一步可选地,如图6所示,本实施例的道路信息的挖掘装置500中,还包括:
参数获取模块504,还用于获取高斯混合模型的目标模型超参数对应的其他参数信息;
预测模块503,还用于采用其他参数信息,预测起始点之间的道路的宽度信息和/或偏移信息。
进一步可选地,如图6所示,本实施例的道路信息的挖掘装置500中,采集模块501,包括:
采集单元5011,用于采集起始点的预设的历史时间段内的所有历史轨迹;
清洗单元5012,用于对所有历史轨迹进行清洗处理,得到数条历史轨迹。
本实施例的道路信息的挖掘装置500,通过采用上述模块实现道路信息的挖掘的实现原理以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是本申请实施例的实现道路信息的挖掘方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的道路信息的挖掘方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的道路信息的挖掘方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的道路信息的挖掘方法对应的程序指令/模块(例如,附图5和附图6所示的相关模块)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的道路信息的挖掘方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据实现道路信息的挖掘方法的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至实现道路信息的挖掘方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现道路信息的挖掘方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与实现道路信息的挖掘方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过采集数条起始点相同的历史轨迹;挖掘各历史轨迹中各轨迹点相对于所在路段起点的坐标信息;基于数条历史轨迹中的各轨迹点相对于所在的路段起点的坐标信息,采用GMM模型预测起始点之间的道路的车道数,与现有技术相比,不用投入大量人力、物力实现道路信息的挖掘,可以有效地节省道路信息的挖掘成本。而且,本实施例的道路信息的挖掘方案不用人为参与,能够有效地提高道路信息挖掘的准确性和挖掘效率。
根据本申请实施例的技术方案,不仅可以挖掘起始点之间的道路的车道数,还可以进一步基于挖掘的起始点之间的道路的车道数,挖掘道路的宽度信息和偏移信息,进一步丰富挖掘的道路的信息。而且挖掘过程也是基于GMM模型来实现的,能够有效地保证挖掘的路的宽度信息和偏移信息的准确性。进一步地,本实施例的技术方案,可以基于AIC和BIC的方式,挖掘最合理的模型超参数,能够有效地保证预测的道路的车道数的准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种道路信息的挖掘方法,其中,所述方法包括:
采集起始点相同的数条历史轨迹;
挖掘各所述历史轨迹中各轨迹点相对于所在路段起点的坐标信息;
基于所述数条历史轨迹中的各所述轨迹点相对于所在的所述路段起点的坐标信息,采用高斯混合模型预测所述起始点之间的道路的车道数。
2.根据权利要求1所述的方法,其中,挖掘各所述历史轨迹中各轨迹点相对于所在路段起点的坐标信息,包括:
对于各所述历史轨迹,将所述历史轨迹按照路网中的路段进行切分,使得所述历史轨迹被切分为多个路段;
获取各所述路段中的各轨迹点相对于所在的所述路段起点的坐标信息。
3.根据权利要求1所述的方法,其中,基于所述数条历史轨迹中的各所述轨迹点相对于所在的所述路段起点的坐标信息,采用高斯混合模型预测所述起始点之间的道路的车道数,包括:
基于所述数条历史轨迹中的各所述轨迹点相对于所在的所述路段起点的坐标信息,采用所述高斯混合模型拟合出多个模型超参数;
计算各所述模型超参数对应的赤池信息准则的值;
从所述多个模型超参数中,获取所述赤池信息准则的值最小所对应的模型超参数,作为目标模型超参数;
将所述目标模型超参数,作为预测的所述起始点之间的道路的车道数。
4.根据权利要求3所述的方法,其中,从所述多个模型超参数中,获取所述赤池信息准则的值最小所对应的模型超参数,作为目标模型超参数之后,将所述目标模型超参数,作为预测的所述起始点之间的道路的车道数之前,所述方法还包括:
检测并确定所述目标模型超参数在预设的车道阈值范围内。
5.根据权利要求3所述的方法,其中,若所述目标模型超参数不预设的车道阈值范围内,所述方法还包括:
计算各所述模型超参数对应的贝叶斯信息准则的值;
从所述多个模型超参数中,获取所述贝叶斯信息准则的值最小所对应的模型超参数,作为目标模型超参数;
将所述目标模型超参数,作为预测的所述起始点之间的道路的车道数。
6.根据权利要求3-5任一所述的方法,其中,基于所述数条历史轨迹中的各所述轨迹点相对于所在的所述路段起点的坐标信息,采用高斯混合模型预测所述起始点之间的道路的车道数之后,所述方法还包括:
获取所述高斯混合模型的所述目标模型超参数对应的其他参数信息;
采用所述其他参数信息,预测所述起始点之间的道路的宽度信息和/或偏移信息。
7.根据权利要求1-5任一所述的方法,其中,采集起始点相同的数条历史轨迹,包括:
采集预设的所述起始点的历史时间段内的所有历史轨迹;
对所述所有历史轨迹进行清洗处理,得到所述数条历史轨迹。
8.一种道路信息的挖掘装置,其中,所述装置包括:
采集模块,用于采集起始点相同的数条历史轨迹;
挖掘模块,用于挖掘各所述历史轨迹中各轨迹点相对于所在路段起点的坐标信息;
预测模块,用于基于所述数条历史轨迹中的各所述轨迹点相对于所在的所述路段起点的坐标信息,采用高斯混合模型预测所述起始点之间的道路的车道数。
9.根据权利要求8所述的装置,其中,所述挖掘模块,包括:
切分单元,用于对于各所述历史轨迹,将所述历史轨迹按照路网中的路段进行切分,使得所述历史轨迹被切分为多个路段;
获取单元,用于获取各所述路段中的各轨迹点相对于所在的所述路段起点的坐标信息。
10.根据权利要求8所述的装置,其中,所述预测模块,包括:
拟合单元,用于基于所述数条历史轨迹中的各所述轨迹点相对于所在的所述路段起点的坐标信息,采用所述高斯混合模型拟合出多个模型超参数;
计算单元,用于计算各所述模型超参数对应的赤池信息准则的值;
筛选单元,用于从所述多个模型超参数中,获取所述赤池信息准则的值最小所对应的模型超参数,作为目标模型超参数;
设置单元,用于将所述目标模型超参数,作为预测的所述起始点之间的道路的车道数。
11.根据权利要求10所述的装置,其中,所述预测模块还包括:
检测单元,用于检测并确定所述目标模型超参数在预设的车道阈值范围内。
12.根据权利要求10所述的装置,其中:
所述计算单元,还用于若所述目标模型超参数不预设的车道阈值范围内,计算各所述模型超参数对应的贝叶斯信息准则的值;
所述筛选单元,还用于从所述多个模型超参数中,获取所述贝叶斯信息准则的值最小所对应的模型超参数,作为目标模型超参数;
所述设置单元,还用于将所述目标模型超参数,作为预测的所述起始点之间的道路的车道数。
13.根据权利要求10-12任一所述的装置,其中,所述装置还包括:
参数获取模块,还用于获取所述高斯混合模型的所述目标模型超参数对应的其他参数信息;
所述预测模块,还用于采用所述其他参数信息,预测所述起始点之间的道路的宽度信息和/或偏移信息。
14.根据权利要求8-12任一所述的装置,其中,所述采集模块,包括:
采集单元,用于采集所述起始点的预设的历史时间段内的所有历史轨迹;
清洗单元,用于对所述所有历史轨迹进行清洗处理,得到所述数条历史轨迹。
15.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618473.3A CN111858801B (zh) | 2020-06-30 | 2020-06-30 | 道路信息的挖掘方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618473.3A CN111858801B (zh) | 2020-06-30 | 2020-06-30 | 道路信息的挖掘方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111858801A true CN111858801A (zh) | 2020-10-30 |
CN111858801B CN111858801B (zh) | 2024-03-22 |
Family
ID=72988326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618473.3A Active CN111858801B (zh) | 2020-06-30 | 2020-06-30 | 道路信息的挖掘方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111858801B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112527932A (zh) * | 2020-12-04 | 2021-03-19 | 北京百度网讯科技有限公司 | 道路数据处理的方法、装置、设备及存储介质 |
CN112860765A (zh) * | 2021-02-07 | 2021-05-28 | 北京百度网讯科技有限公司 | 隧道信息的处理方法、装置、设备以及存储介质 |
CN113139258A (zh) * | 2021-04-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 道路数据处理方法、装置、设备及存储介质 |
CN114625787A (zh) * | 2022-05-17 | 2022-06-14 | 浙江口碑网络技术有限公司 | 一种数据挖掘方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700617A (zh) * | 2015-04-02 | 2015-06-10 | 武汉大学 | 基于低精度gps轨迹数据的高精度车道信息提取方法 |
CN105957342A (zh) * | 2016-05-30 | 2016-09-21 | 武汉大学 | 基于众包时空大数据的车道级道路测图方法及*** |
US20170116477A1 (en) * | 2015-10-23 | 2017-04-27 | Nokia Technologies Oy | Integration of positional data and overhead images for lane identification |
CN110375750A (zh) * | 2019-07-29 | 2019-10-25 | 北京百度网讯科技有限公司 | 路径夹角挖掘方法、装置、设备和存储介质 |
CN110389995A (zh) * | 2019-07-31 | 2019-10-29 | 北京百度网讯科技有限公司 | 车道信息检测方法、装置、设备和介质 |
CN111341103A (zh) * | 2020-03-03 | 2020-06-26 | 鹏城实验室 | 车道信息提取方法、装置、设备及存储介质 |
-
2020
- 2020-06-30 CN CN202010618473.3A patent/CN111858801B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700617A (zh) * | 2015-04-02 | 2015-06-10 | 武汉大学 | 基于低精度gps轨迹数据的高精度车道信息提取方法 |
US20170116477A1 (en) * | 2015-10-23 | 2017-04-27 | Nokia Technologies Oy | Integration of positional data and overhead images for lane identification |
CN105957342A (zh) * | 2016-05-30 | 2016-09-21 | 武汉大学 | 基于众包时空大数据的车道级道路测图方法及*** |
CN110375750A (zh) * | 2019-07-29 | 2019-10-25 | 北京百度网讯科技有限公司 | 路径夹角挖掘方法、装置、设备和存储介质 |
CN110389995A (zh) * | 2019-07-31 | 2019-10-29 | 北京百度网讯科技有限公司 | 车道信息检测方法、装置、设备和介质 |
CN111341103A (zh) * | 2020-03-03 | 2020-06-26 | 鹏城实验室 | 车道信息提取方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
唐炉亮;杨雪;靳晨;刘章;李清泉;: "基于约束高斯混合模型的车道信息获取", 武汉大学学报(信息科学版), no. 03, 31 March 2017 (2017-03-31) * |
杨林;左泽均;叶亚琴;周顺平;安晓亚;: "基于浮动车轨迹数据的路口车道结构求解", 测绘科学, no. 12, 31 December 2014 (2014-12-31) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112527932A (zh) * | 2020-12-04 | 2021-03-19 | 北京百度网讯科技有限公司 | 道路数据处理的方法、装置、设备及存储介质 |
CN112527932B (zh) * | 2020-12-04 | 2023-09-26 | 北京百度网讯科技有限公司 | 道路数据处理的方法、装置、设备及存储介质 |
CN112860765A (zh) * | 2021-02-07 | 2021-05-28 | 北京百度网讯科技有限公司 | 隧道信息的处理方法、装置、设备以及存储介质 |
CN112860765B (zh) * | 2021-02-07 | 2023-07-28 | 北京百度网讯科技有限公司 | 隧道信息的处理方法、装置、设备以及存储介质 |
CN113139258A (zh) * | 2021-04-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 道路数据处理方法、装置、设备及存储介质 |
CN113139258B (zh) * | 2021-04-28 | 2024-01-09 | 北京百度网讯科技有限公司 | 道路数据处理方法、装置、设备及存储介质 |
CN114625787A (zh) * | 2022-05-17 | 2022-06-14 | 浙江口碑网络技术有限公司 | 一种数据挖掘方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111858801B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111858801B (zh) | 道路信息的挖掘方法、装置、电子设备及存储介质 | |
CN110675644B (zh) | 道路红绿灯的识别方法、装置、电子设备及存储介质 | |
CN112581763A (zh) | 道路事件检测的方法、装置、设备和存储介质 | |
CN113221677B (zh) | 一种轨迹异常检测方法、装置、路侧设备和云控平台 | |
CN110968718B (zh) | 目标检测模型负样本挖掘方法、装置及电子设备 | |
CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
CN112526999B (zh) | 速度规划方法、装置、电子设备和存储介质 | |
CN111160480B (zh) | 地下停车场出入口挖掘方法、装置及电子设备 | |
CN113011323B (zh) | 通行状态的获取方法、相关装置、路侧设备及云控平台 | |
CN111332298B (zh) | 可行驶区域确定方法、装置、设备及存储介质 | |
US11443621B2 (en) | Method and apparatus for adjusting channelization of traffic intersection | |
CN111693059B (zh) | 环岛的导航方法、装置、设备及存储介质 | |
CN113091757B (zh) | 地图生成方法和装置 | |
CN111540010B (zh) | 一种道路监测的方法、装置、电子设备及存储介质 | |
CN110796865A (zh) | 智能交通控制方法、装置、电子设备和存储介质 | |
CN112802325A (zh) | 车辆排队长度检测方法及装置 | |
CN112101527A (zh) | 识别车道变化的方法和装置、电子设备和存储介质 | |
CN112512010A (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
CN111982144A (zh) | 导航方法、装置、电子设备及计算机可读介质 | |
CN111882859A (zh) | 交通车道的通行调整方法和装置 | |
CN110796864B (zh) | 智能交通控制方法、装置、电子设备和存储介质 | |
CN111442775B (zh) | 道路的识别方法、装置、电子设备及可读存储介质 | |
CN113850297B (zh) | 道路数据的监测方法、装置、电子设备及存储介质 | |
CN115782876A (zh) | 一种变道轨迹生成方法、装置、设备及自动驾驶车辆 | |
CN111767651B (zh) | 指标预测模型的构建方法、指标预测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |